近期,爱数已经完成C轮融资,规模过亿元,由国家开发投资公司(国投集团)主导,以保障近两三年的发展需求。爱数CEO贺鸿富在接受记者采访时表示,融资是水到渠成的一件事,也是对爱数发展的肯定,技术变革本身和国产化的大趋势,是目前应该努力抓住的机遇。
爱数是国投集团在科技领域的第一笔投资。虽然贺鸿富否认了这轮融资与国产化替代有必然的关联,但他说,爱数最初在选择投资人的时候确实考虑到了国产化等因素。国投集团以前只在矿产和能源等领域投资,去年国家产业升级的时候成立了一个专门投资高科技的基金,爱数是他们在该领域投下的第一笔钱。
爱数缘何受到国家投资的青睐?也许其市场表现和当下国产化的趋势确实有着千丝万缕的联系。“2013年软件定义存储,2014年国产化,两次战略机遇,给了爱数弯道超车的机遇。” 贺鸿富曾在一篇文章中这样写道。
作为一家国产软件公司,爱数看到了国产化替代这个契机,C轮融资的资金主要用于补充经营资金和现金流,但既定的三年战略计划并不会改变:第一个阶段快速扩张,在研发、销售和品牌推广上投入大量精力,取得市场和行业认知度;第二个阶段,专注于产品解决方案,做专做细;第三个阶段,国产厂商一定有一席之地,国产化是未来存储行业发展的主题。
在采访中,他一再强调这次融资更多地是“机缘巧合”,称融资并不是一家门槛特别高的事情,更多地是整个行业背后蕴含的巨大机遇,而这个机遇正是源自于——软件定义存储。他认为,软件定义存储是整个软件定义数据中心架构中一个必不可少的要素,但是市场中还没有出现一个成为主流的产品,在他看来这就是软件定义的市场机遇。
而抓住软件定义存储这个市场,爱数认为最重要的是认清自己、找准细分市场。“我们把自己看成一个非常小的公司,我们尽量不和那些大厂商发起正面的创新战,而是更多地从像VDI这样的细分市场中找空间。”
“国产化只是一种手段,但绝对不是一个杀手级的武器,真正的武器是产品本身,所以我更看重软件定义这样一个技术变革周期。” 虽然目前还不具备颠覆主流厂商的实力,当时软件定义存储使得普通硬件上运行软件来带动整体存储能力,这对像爱数这样的小公司来说正是等待已久的洗牌机会。
未来爱数推进软件定义存储战略将主要围绕软件控制展开,体现软件定义存储在开放系统扩展性和整体性价比上的优势,明年上半年会陆续展示一批新产品,并且继续在小行业市场深耕下去,包括政府、医疗、教育和企业这些市场。
在有条不紊地执行着三年战略计划和瞄准软件定义存储这个新机遇的时候,爱数开始将业务发展多元化,渠道扩展深化。以AnyBackup为代表的数据备份是爱数的优势产业,与AnyStorage和AnyShare三箭齐发。
在渠道方面,现在爱数更“强调渠道质量”,同时开始关注渠道生态的多样化,包括传播分销体系、行业渠道、产品渠道以及全国战略伙伴。据他透露,今年下半年或者明年之前爱数会公布更多重量级战略合作伙伴。
最后据他透露,爱数计划明年拿出自己的一个秘密武器——云产品线,主要围绕文档分享展开。
展望未来,他认为在数据保护领域,存储级数据保护技术将慢慢取代主机保护技术步入主流。而中国的数据保护市场处于在投资期,不像国外那样成熟,在技术快速变革期很多技术和产品都在不断更新,中国市场还有很大潜力。
严峻的挑战也摆在爱数面前,首先行业竞争门槛高,主要竞争对手都是EMC和CommVault这样的国际厂商,其次公司高增长背后潜藏着高风险,同时人才培养体系也面临巨大压力。“我们所处的行业变革期现在越来越短,稍微打一个盹可能就被淘汰了,最重要不是今天取得了什么成绩,而是明天公司能不能活下来。”
好文章,需要你的鼓励
埃森哲投资AI零售平台Profitmind,该平台通过智能代理自动化定价决策、库存管理和规划。研究显示AI驱动了2025年假日购物季20%的消费,约2620亿美元。部署AI代理的企业假日销售同比增长6.2%,而未部署的仅增长3.9%。Profitmind实时监控竞争对手价格和营销策略,并可创建生成式引擎优化产品文案。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
日立公司在CES 2026技术展上宣布了重新定义人工智能未来的"里程碑式"战略,将AI直接应用于关键物理基础设施。该公司与英伟达、谷歌云建立重要合作伙伴关系,并扩展其数字资产管理平台HMAX,旨在将AI引入社会基础设施,变革能源、交通和工业基础设施领域。日立强调其独特地位,能够将AI集成到直接影响社会的系统中,解决可持续发展、安全和效率方面的紧迫挑战。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。